2.然后，我们把每一个图块运行于一个简单的、单层的神经网络，保持权衡不变。这一操作会使我们的拼接图块变成一个图组。由于我们一开始就将原始图像分解成了小的图像（在这个案例中，我们是将其分解成了3×3像素的图像），所以，用于图像处理的神经网络也是比较好操作的。

　　3.接下来，我们将会把这些输出值排列在图组中，用数字表示照片中各个区域的内容，数轴分别代表高度、宽度和颜色。那么，我们就得到了每一个图块的三维数值表达。（如果我们讨论的不是奶奶的照片，而是视频，那么我们就会得到一个四维的数值表达了。）

　　说完“卷积层”，下一步是“汇聚层”。

　　“汇聚层”是将这个三维（或是四维）图组的空间维度与采样函数结合起来，输出一个仅包含了图像中相对重要的部分的联合数组。这一联合数组不仅能使计算负担最小化，还能有效避免过度拟合的问题。

　　最后，我们会把从“汇聚层”中得出的采样数组作为常规的、全方位连接的神经网络来使用。通过卷积和汇聚，我们大幅度地缩减了输入的数量，因此，我们这时候得到的数组大小是一个正常普通网络完全能够处理的，不仅如此，这一数组还能保留原始数据中最重要的部分。这最后一步的输出结果将最终显示出系统有多少把握作出“照片中有奶奶”的判断。

　　以上只是对“卷积神经网络”工作过程的简单描述，现实中，其工作过程是更加复杂的。另外，跟我们这里的案例不同，现实中的“卷积神经网络”处理的内容一般包含了上百个，甚至上千个标签。

　　“卷积神经网络”的实施

　　重新开始建立一个“卷积神经网络”是一项非常耗时且昂贵的工作。不过，许多API最近已经实现了——让组织在没有内部计算机视觉或机器学习专家的帮助下，完成图像分析的收集工作。

“谷歌云视觉”是谷歌的视觉识别API，它是以开源式TensorFlow框架为基础的，采用了一个REST API。“谷歌云视觉”包含了一组相当全面的标签，能够检测单个的对象和人脸。除此之外，它还具备一些附加功能，包括OCR和“谷歌图像搜索”。

“IBM沃森视觉识别”技术是“沃森云开发者”的重要组成部分。它虽然涵盖了大量的内置类集，但实际上，它是根据你所提供的图像来进行定制类集的训练的。与“谷歌云视觉”一样，“IBM沃森视觉识别”也具备许多极好的功能，比如OCR和NSFW检测功能。

Clarif.ai是图像识别服务的“后起之秀”，它采用了一个REST API。值得一提的是，Clarif.ai包含了大量的单元，能够根据特定的情境定制不同的算法。像婚礼、旅游甚至食物。

　　上面的这些API更适用于一些普通的程序，但对于一些特殊的任务，可能还是需要“对症下药”，制定专门的解决方案。不过值得庆幸的是，许多数据库可以处理计算和优化方面的工作，这或多或少地减轻了数据科学家和开发人员的压力，让他们有更多精力关注于模型训练。其中，大部分的数据库，包括TensorFlow，深度学习4J和Theano，都已经得到了广泛、成功的应用。